可解释的机器学习预测：开颅术后大脑皮上脑内出血患者气管切开需求

这对患者和家庭意味着什么

当某人发生一种由脑内出血引起的严重中风时，他们常常需要紧急开颅手术和呼吸机支持。对医生和家属来说，床边最困难的决策之一是患者是否在随后需要在颈部开一个通气孔（气管切开）以进行长期呼吸支持。本研究展示了一种可解释的人工智能方法，如何利用一小部分常规医学指标在早期评估该风险，并将其转化为一个简单的床边工具。

严重脑出血与呼吸支持

上部脑区的出血，被称为大脑皮上脑内出血，是最危险的中风类型之一。中国及其他地区的许多患者会接受开颅手术以清除血肿并缓解颅内压。即便手术后，近半数患者仍需长期呼吸支持，且有相当一部分接受气管切开以使通气更安全、更舒适。迄今为止，医生多依赖经验和不专门针对该手术群体的广泛中风评分，导致难以向家庭提供明确建议或规划重症资源。

把常规数据转成预测工具

研究者从两家医院收集了924例这类脑出血并接受手术的成年患者的数据。他们考察了护理第一天已常规采集的基本信息：年龄、格拉斯哥昏迷评分（意识水平）、脑内血肿体积、手术耗时，以及一种常见的血化学指标——血清碳酸氢盐，反映机体酸碱平衡。通过逐步筛选方法，他们发现这五个因素包含了有关患者是否会在随后接受气管切开的大部分有用信息。

可解释AI模型的工作原理

基于这五项信息，团队训练了三种不同的计算机模型：一个标准统计模型、一个随机森林，以及一种更先进的基于树的方法——极端梯度提升（XGBoost）。他们对每个模型进行了精细调参，并在主医院数据上采用交叉验证测试，然后在第二家医院患者上再次检验性能。三种方法都能较好地区分高风险与低风险患者，但梯度提升模型在准确性与风险估计可靠性之间取得了最佳平衡，并在以临床实际床边使用方式评估时显示出最大的潜在临床获益。

让“黑匣子”变透明

医学中对人工智能的常见担忧是其行为像黑匣子，给出结论却没有理由。为避免这一点，研究者使用了一种称为SHAP的技术，将每次预测分解为来自五个输入的贡献。在整个样本中，较低的意识评分和更大的脑血肿是促使需要气管切开的最强驱动因素，其次是年龄较大、手术时间较长和碳酸氢盐水平较低。对个体患者而言，该工具可以显示一幅类似条形的图景，说明每个因素如何把其个人风险向上或向下推动，从而为临床医生和家庭提供直观的解释，而不仅仅是一个数字。

从研究模型到床边工具

为了让工作能在日常实践中使用，作者开发了一个免费的网络计算器。临床医生可以输入患者的年龄、格拉斯哥昏迷评分、血肿大小、手术时长和碳酸氢盐水平，工具会返回患者需要气管切开的估计概率及其可视化解释。尽管该研究存在局限——回顾性、来自单一地区，且尚未包含患者病情的长期变化——但它表明一组小而透明的因素就能捕捉大部分风险。

这对医疗决策意味着什么

简单而言，研究得出的结论是：一种基于仅五项常规指标的可解释AI模型，能在早期提供关于接受严重出血后脑外科手术的患者是否可能需要气管切开的可靠估计。此类工具不能替代医学判断，但可支持与家庭更充分的沟通，帮助规划重症监护的人员和设备配置，并为未来关于气管切开时机的试验提供指导。经过在其他医院的进一步验证后，它有望成为重症中风患者护理的一部分标准做法。

引用: Qiao, F., Xue, X., Yu, H. et al. Explainable machine learning prediction of tracheostomy after craniotomy for supratentorial intracerebral hemorrhage. Sci Rep 16, 11495 (2026). https://doi.org/10.1038/s41598-026-41953-x

关键词: 中风, 气管切开, 脑外科手术, 机器学习, 重症监护